Κώδικας QR

End-to-End Multi-Modal Speaker Change Detection with Pre-Trained Models

In this work, we propose a multi-modal speaker change detection (SCD) approach with focal loss, which integrates both audio and text features to enhance detection performance. The proposed approach utilizes pre-trained large-scale models for feature extraction and incorporates a self-attention mecha...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:
Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριοι συγγραφείς: Alymzhan Toleu, Gulmira Tolegen, Alexandr Pak, Jaxylykova Assel, Bagashar Zhumazhanov
Μορφή: Artigo
Γλώσσα:Inglês
Έκδοση: MDPI AG 2025-04-01
Σειρά:Applied Sciences
Θέματα:
Διαθέσιμο Online:https://www.mdpi.com/2076-3417/15/8/4324
Ετικέτες: Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!